Analysis of ship collision risk encounters and COLREG behaviours using machine learning and AIS data

Abstract

Autonom styring innen transportsektoren regnes for å være neste store sektor for trygg og effektiv drift av fartøy. Denne oppgaven er en analyse av AIS (Automatic Identification System) data for skipstrafikken utenfor Norge.

I første del av oppgaven kartlegges metoder for å finne og kategorisere COLREG (International Regulations for Preventing Collisions at Sea) situasjoner basert på behandling av ufiltrerte AIS data. Av totalt 200 GB AIS data identifiserer metoden over 120.000 møter mellom skip. Av disse situasjonene ble rundt 1000 identifisert av en semi-automatisk metode som situasjoner med kollisjonsunngåelse via data-genererte situasjonsbilder. I andre del av oppgaven brukes maskinlæring for å skille ut situasjonene som inneholder kollisjonsunngåelse med mål om å gjøre en like god klassifiering som en menneskelig aktør. Til dette formålet utforsker oppgaven Support Vector Machine og modeller med kunstig nevralt nettverk. Et nevralt nettverk som kombinerer en dyp læring metode med et Recurrent Neural Network, evner å klassifisere situasjoner med nær samme nøyaktigheten som ved manuell klassifisering.

Oppgaven presenterer en metode hvor man ved maskinlæring kan hente ut og klassifisere situasjoner fra AIS data som innebærer kollisjonsfare og kollisjonsunngåelse. Innehenting og analyse av slike data er av interresse for mange aktører, fra skipsregulerende myndigheter og forsikringsselskaper til utviklere av autonome styringssystem.

Autonomous control is the next big sector for the realization of safe and effective transportation. This thesis is an analysis of AIS (Automatic Identification System) data from vessels at the coast of Norway.

In the first part of the paper methods for finding and categorizing COLREG (International Regulations for Preventing Collisions at Sea) situations from unfiltered AIS data are presented. From a total of roughly 200 GB AIS data over 120.000 encounters between vessels were found. From these situations roughly 1000 were identified semi-automatic as containing crucial collision avoidance. In the second part of the thesis the identification of collision avoidance situations was analyzed by machine learning. To accomplish this a model using Support Vector Machine and models using artificial neural networks were explored. A model combining deep learning with a Recurrent Neural Network was able to identify and correctly classify the crucial collision avoidance situations with about the same confidence as manual classification.

The thesis presents methods involving machine learning able to classify situations from AIS data that involve crucial collision avoidance. Such data is of interest to many participants, from governmental agencies and insurance companies to developers of autonomous control systems.